基于霍夫變換的復(fù)雜情況下車道線檢測

摘 要 本文提出了一種新的基于霍夫變換的復(fù)雜情況下車道線檢測的算法，這個算法能夠成功在夜晚，白天，有陰影，車道線磨損不太嚴(yán)重等復(fù)雜情況下檢測出車道線。傳統(tǒng)的車道線檢測算法主要為直接在圖像中進行霍夫變換，這種算法實時性差，計算量大。本文提出的算法將先對原圖像進行處理，設(shè)置ROI區(qū)域減少計算量，轉(zhuǎn)換顏色空間并且掃描圖像灰度值劃分出有陰影的區(qū)域進行處理，最后判斷最有可能出現(xiàn)車道線的區(qū)域，進行霍夫變換檢測出車道線。經(jīng)過實驗表明，這種算法的實時性更好，能夠成功在復(fù)雜情況下檢測到車道線。

關(guān)鍵詞 霍夫變換 車道線檢測 復(fù)雜情況 感興趣區(qū)域

中圖分類號：TP391.41文獻標(biāo)識碼：A

0引言

近年來，自動駕駛汽車的概念開始流行，其中如何使汽車成功檢測到車道線的算法，在自動駕駛，汽車安全相關(guān)應(yīng)用領(lǐng)域中越來越受到重視。基于視覺的車道線檢測算法是當(dāng)今自動駕駛汽車的主要研究熱點之一。

目前，國內(nèi)外的許多學(xué)者已經(jīng)提出了相當(dāng)多的基于視覺的車道線檢測算法，而基于視覺的車道線檢測算法需要滿足實時性，準(zhǔn)確性，適用性等要求，因此他們通常采用不同的模型和合適的邊緣檢測技術(shù)來檢測車道線，比如其中有直線，曲線，分段切換模型等道路模型以及最小二乘法擬合，Hough變換，改進cany算子，基于小波變換的邊緣提取等邊緣檢測技術(shù)，但是這些單一的算法都會因為攝像頭因為光線等因素造成的影響而產(chǎn)生非常大的誤差，對車道線檢測的魯棒性和準(zhǔn)確性都有一定程度的影響，并且Hough變換因為計算量很大，因此會有一定的延遲性，這是在利用Hough變換來檢測車道線算法的一個難題。

對于上述所講到的問題，許多學(xué)者采用了改進Hough變換的方法，本文設(shè)計了一種結(jié)合圖像預(yù)處理和改進Hough變換的算法，來解決這些問題。在遇到強光照，弱光照，有樹蔭等陰影遮擋，車道線磨損的復(fù)雜的情況下，該算法能夠成功檢測到車道線并且實時性很好，準(zhǔn)確性很高。本論文所設(shè)計的算法將首先根絕顏色空間分布情況，設(shè)置ROI區(qū)域以減少計算量，然后進行灰度拉伸等操作盡量去除光照以及陰影等干擾，再進行Hough變換檢測出車道線，最后進行判別。

經(jīng)過實驗，該算法能夠?qū)崿F(xiàn)在復(fù)雜道路情況下檢測出車道線的功能。

1根據(jù)情況的復(fù)雜給圖像分類

為了保證光照魯棒性來進行檢測。本算法將首先根據(jù)車載攝像頭所采集的圖像中的信息來對圖像進行分類。

通常來說，光照強度較強的圖像，其灰度值變化是比較快的，并且車道線與除了車道線以外的其他圖像信息之間的對比度比較大，往往會出現(xiàn)圖像中會出現(xiàn)全白的路面。這會導(dǎo)致圖像中有用的信息，比如車道線沒有辦法檢測出來，如圖1中（a）所示，其對比度相對于其他的圖像來說都是偏大，而為了解決這一類問題，將會對光照強度較強的圖像進行對比度的均值化處理，并且采用灰度值均值化的處理能夠成功采集到圖像中的有用信息。

光照強度較弱的圖像，例如夜晚的時候所采集到的圖像，其灰度值變換是比較慢的，比較平緩的，在一張圖像中灰度值不會發(fā)生太劇烈的變換，并且圖像中的車道線與其他景物的對比度非常低，很容易將車道線與其他景物進行混淆，導(dǎo)致不能成功檢測出車道線。如圖1中的（b）所示，很難在圖像中檢測到車道線的存在。在這一類圖像中，將會采取增大對比度，進行灰度值拉伸等操作來恢復(fù)有用信息車道線在圖像中的顯示，從而成功檢測出車道線。

對于有陰影遮擋住的車道線的圖像，因為在這一類的圖像中同一條車道線的灰度值是不相等的，并且樹蔭等陰影也會有邊界線，這將導(dǎo)致在進行檢測車道線的過程中，不僅將需要檢測的車道線檢測出來，還會將所不需要檢測的陰影邊界線檢測出來，或者處于陰影中的車道線因為灰度值和對比度的影響從而導(dǎo)致沒有辦法檢測出來等一類后果，如圖1中的（c）所示。在這一類圖像中，將會對圖像進行掃描，對有陰影的圖像進行二值化處理，然后再進行灰度值拉伸操作，去除陰影對圖像的影響，再進行車道線的檢測。

在本文中將會采取計算整體圖像的灰度均值來對圖像進行分類。計算整體圖像的灰度均值的計算公式如下：

其中P為像素均值，N為像素總數(shù)目，p（i）為每個像素的數(shù)值。

根據(jù)計算我們得到，圖1中（a）的像素均值為P=155，圖1中（b）的像素均值為P=60，圖1中（c）的像素均值為P=140。根據(jù)圖像的像素均值能夠很好的反映所采集的圖像光照強度，因此可首先根據(jù)圖像的像素均值對圖像進行分類，分為白天及夜晚所采集的圖像，并在后續(xù)中對二者進行不同的處理。

在對圖像進行了光照強度的分類之后，需要對圖像進行有無陰影遮擋車道線的分類。針對這個問題，本文所采取的方法是對圖像進行顏色空間的識別和處理，繼而進行分類。

2圖像預(yù)處理

為了降低圖像中的噪聲以及消除其他物品對車道線檢測的影響，并且減少Hough變換的計算量，我們將首先對圖像進行預(yù)處理。

2.1根據(jù)顏色分布確定車道線所在位置設(shè)置ROI區(qū)域

因為在后續(xù)的處理中都將會把BGR顏色空間的圖像轉(zhuǎn)換為Gray顏色空間的圖像進行處理，所以將首先解決陰影對車道線檢測所造成的印象。

在圖像處理的過程中，因為車道線總是在圖像的下半部分，上半部分的天空及樹葉等其他顏色會干擾到圖像的處理，所以最開始進行的處理是設(shè)置圖像的下半部分為ROI區(qū)域，僅對此區(qū)域進行顏色空間上的處理與劃分車道線檢測區(qū)域。

本文采集的所有圖像均為BGR三通道顏色空間的圖像，因此選擇藍(lán)色分量值的大小作為區(qū)分車道線與陰影的依據(jù)。

方法主要是對圖像進行掃描，從而記錄出圖像每一行各個像素的藍(lán)色分量值，通過藍(lán)色分量值的大小來判斷該像素是否位于車道線內(nèi)。為了降低噪聲的影響并且減少檢測誤差，在掃描圖像的過程中，將采取每采集五個像素點的藍(lán)色分量值進行均值化處理的方式，采用公式（2）對采集到的藍(lán)色分量進行平滑處理。

其中B（x）為平滑處理后的藍(lán)色分量值，b（x）為平滑處理前的藍(lán)色分量值，x為圖像中每一個點的橫坐標(biāo)值。檢測過程如圖2所示。以掃描線經(jīng)過無陰影遮擋車道線與有陰影遮擋車道線兩個時刻進行分析，將得到在掃描線中藍(lán)色分量值的分布示意圖，分別如圖3，圖4所示。

通過分析圖3與圖4藍(lán)色分量值分布圖，可以發(fā)現(xiàn)在有陰影遮擋車道線跟無陰影遮擋車道線的兩種情況下，藍(lán)色分量值在圖像中的分布趨勢沒有改變，僅僅改變了藍(lán)色分量值數(shù)值的大小，因此選定圖像中藍(lán)色分量跳變的開始部分與結(jié)束部分作為車道線可能存在的區(qū)域，設(shè)置這個區(qū)域為ROI區(qū)域并且對此區(qū)域進行后續(xù)處理。

2.2對光照強度不同的圖像進行灰度處理

針對光照強度較強的圖像，它所存在的問題是車道線與背景的對比度較大，像素灰度值普遍較高，容易導(dǎo)致圖像中出現(xiàn)全白的路面。因此需要對光照強度較大的圖像進行灰度均衡化處理。

灰度均衡化實際采用的是直方圖均衡化，中心思想是把原始圖像的灰度直方圖從比較集中的某個區(qū)域變成在全部灰度范圍內(nèi)的均勻分布。直方圖均衡化通過用來增加圖像的局部對比度，因此這種方法能夠在圖像背景太強的時候，使目標(biāo)區(qū)域即車道線從背景中脫離出來。

而在直方圖均衡化中引入了累計分布函數(shù)CDF，其定義為對于連續(xù)函數(shù)，所有小于等于a的值，其出頻率的和：

針對于灰度級從[0，L-1]的圖像，則是統(tǒng)計各個灰度級的累計分布概率，灰度值k（0

圖像在經(jīng)過灰度值均衡化操作之后，圖像的灰度值范圍有一定浮動的空間，更加有利于后面灰度化，閾值化，二值化的處理。強光照圖像經(jīng)過灰度值均衡化操作后的效果圖如圖5所示。

針對光照強度較弱的圖像，此類圖像所存在的問題是車道線與背景的對比度很小，很難將車道線與背景物體區(qū)分開，并且夜晚的圖像因為光照不足，灰度值普遍偏低，因此需要將弱光照圖像進行灰度拉伸處理。

灰度拉伸是通過擴展圖像灰度級動態(tài)范圍來實現(xiàn)的，它可以擴展對應(yīng)的全部灰度范圍，能夠?qū)D像感興趣的地方進行增強，而對圖像不感興趣的部分進行抑制。而實現(xiàn)灰度拉伸通常采用如下三段線性變換函數(shù)：

圖像在經(jīng)過灰度拉伸后，車道線與背景路面的對比度增強使得容易區(qū)分，在后續(xù)的閾值化，二值化等一系列操作中效果明顯。弱光照的圖像經(jīng)過灰度拉伸處理后得到的效果圖如圖6所示。

2.3對圖像進行閾值化處理

在上述操作中，已經(jīng)將車道線的特征進行了加強并且過濾了圖像噪聲，去除了陰影遮擋對車道線檢測的影響。但是在圖像中仍然存在一些依靠灰度處理難以去除的影響，例如太過明亮的燈光，路面反射的強光等，并且還需要對圖像進行邊緣的增強。

因此針對于強光照造成的灰度處理無法處理掉的問題，將會采取閾值化處理。閾值化操作的作用主要為對圖像中的像素做出取舍，將高于閾值的像素舍棄掉，低于閾值的像素留下。在上述問題中，閾值化操作能夠濾去高曝光度的影響，即像素值太大以至于不可能出現(xiàn)車道線的區(qū)域舍棄掉，加快后續(xù)檢測速度。處理結(jié)果如圖7所示。

3進行Hough變換檢測車道線

上述操作為圖像預(yù)處理部分，目的是為了盡量減少Hough變換的計算量以及背景物體對Hough變換造成的影響。接下來將對預(yù)處理結(jié)束的圖像進行Hough變換檢測出車道線并且得到最后結(jié)果。

Hough變換是圖像處理中的一種特征提取技術(shù)，該過程在一個參數(shù)空間中可通過計算累計結(jié)果的局部最大值得到一個符合特定形狀的集合作為Hough變換的結(jié)果。這種方法的特點是它對數(shù)據(jù)的不完全或者噪聲不是很敏感。

Hough變換的基本思想是點—線的對偶性，即圖像空間里共線的點對應(yīng)參數(shù)空間里相交的直線，反過來，參數(shù)空間相交于同一點的所有直線在圖像空間里都有共線的點與之對應(yīng)。而為了解決垂直直線斜率無限大的問題，一般在極坐標(biāo)方程中進行Hough變換。

通過對Hough變換的原理和具體步驟的描述，會發(fā)現(xiàn)如果直接對原圖像進行Hough變換，將會耗費大量的時間用以計算除了車道線以外的干擾景物，從而對實時性造成很大的影響。因此本文中的算法將首先對圖像進行預(yù)處理，加強車道線，去除干擾，減少干擾物對車道線的影響從而使得Hough變換的實時性得到提高。

4實驗結(jié)果

本文中的車道線檢測算法流程圖如圖8所示。

采集到圖像之后首先掃描圖像，在顏色空間上選擇藍(lán)色分量值作為判別車道線是否可能存在的依據(jù)，從而設(shè)定車道線所在區(qū)域并且去除陰影遮擋車道線所帶來的影響，接下來計算圖像的像素均值，根據(jù)像素均值對圖像進行判斷，確認(rèn)采集圖像的時間是白天還是夜晚，針對白天采集到的圖像對比度太大，路面出現(xiàn)全白無法識別車道線的情況，則采用灰度均衡化增強車道線，針對夜晚采集到的圖像對比度太小，車道線與背景容易混淆的情況，則采用灰度拉伸化處理增強車道線與背景的對比度，然后對經(jīng)過灰度化處理的圖像進行閾值化處理留下需要的車道線信息加快Hough變換的計算時間，最后進行Hough變換得到效果圖。

本文中的算法基于VS2012環(huán)境和OpenCV圖像處理庫實現(xiàn)，并且對本算法進行了大量的實驗。采用本文中檢測車道線的算法，在實時性和所得到的準(zhǔn)確度上都有了較大的改善。傳統(tǒng)Hough變換的平均執(zhí)行時間約為13ms，采用本文中先對圖像進行預(yù)處理再進行Hough變換的算法，其執(zhí)行時間約為8ms。

圖9是對采集到的圖像中選取的樣本車道線檢測效果。

5結(jié)束語

本文提出了一種基于Hough變換的用于在復(fù)雜情況，如白天光照很強，夜晚光照很弱，有陰影遮擋車道線等情況下車道線檢測方法。首先對圖像進行顏色空間上的選擇，去除陰影造成的影響，再通過灰度變化加強車道線和減弱背景對車道線檢測的影響，最后利用Hough變換檢測車道線。極大減少了傳統(tǒng)Hough變換檢測車道線的時間和增加了車道線檢測的穩(wěn)定性。通過實驗證明，本算法在不同情況下均有較好的檢測效果。

基金項目：2018年5月3日國家大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃基金資助項目：一種基于視覺與GPS的AGV—201810497222。

作者簡介：吳恩泓（1997.8-），男，漢族，廣州惠州人，本科在讀，研究方向：機器視覺。

參考文獻

[1] 方睿.基于視覺的車道線檢測技術(shù)綜述[J].內(nèi)江科技，2018（07）：41-42.

[2] 段汝嬌，趙偉，黃松嶺，陳建業(yè).一種基于改進Hough變換的直線快速檢測算法[J].儀器儀表學(xué)報，2010（12）：2774-2480.

[3] 劉富強，張姍姍.一種基于視覺的車道線檢測與跟蹤算法[J].同濟大學(xué)學(xué)報（自然科學(xué)版），2010（02）：223-229+300.

[4] 隋靚，黨建武，王陽萍.基于分段切換模型的快速車道線檢測[J].計算機應(yīng)用與軟件，2017（08）：201-205.

[5] 孫偉，張小瑞，唐慧強，等.Hough變換和最小二乘擬合的車道線協(xié)調(diào)檢測[J].光電工程， 2011（10）：13-19.

[6] 趙穎，王書茂，陳兵旗.基于改進Hough變換的公路從車道線快速檢測算法[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2006（03）：104-108.

[7] 王保軍，趙海清，劉超.基于Canny算子改進的邊緣檢測算法[J]，科學(xué)技術(shù)創(chuàng)新，2018（27）：13-14.

[8] 余天洪，王榮本，郭烈.不同光照條件下直線型車道標(biāo)識識別方法研究[J].汽車工程，2005，27（05）：510-513+569.

[9] 楊喜寧，段建民，高德芝，鄭榜貴.基于改進Hough變換的車道線檢測技術(shù)[J].計算機測量與控制，2010（02）：292-294+298.

[10] ??王洪雁，邱賀磊，鄭佳，裴炳南.光照變化下基于逆向稀疏表示的視覺跟蹤方法[J].電子與信息學(xué)報，2018（11）：10-18.

[11] ??武星，張穎，李林慧，樓佩煌，何珍.復(fù)雜光照條件下視覺導(dǎo)引AGV路徑提取方法[J].農(nóng)業(yè)機械學(xué)報，2017（10）：15-24.

[12] ??呂艷娜，朱曉，朱長虹.計算機數(shù)字圖像處理常用顏色空間及其轉(zhuǎn)換[J].計算機與數(shù)字工程，2006（11）：54-56+171.

[13] ??毛星云，冷雪飛.OpenCV3編程入門[M].北京：電子工業(yè)出版社，2015：100.

[14] ??滕今朝，邱杰.利用Hough變換實現(xiàn)直線的快速精確檢測[J].中國圖象圖形學(xué)報，2008，13（02）：234-237.

[15] ??宋寅卯，趙明珍，刁智華，王會丹.基于Hough變換的機器視覺目標(biāo)檢測技術(shù)研究[J].中國農(nóng)機化學(xué)報，2015（04）：225-231.